AI-аналитик для морского грузоперевозчика

Создали AI-аналитика для морского перевозчика, объединяющего данные из разных систем и отвечающего на запросы в Slack за минуты, ускоряя принятие решений и повышая безопасность.

Клиент

Судоходная компания

Крупная судоходная компания с флотом из более чем 70 судов, которая перевозит грузы по всему миру. У компании несколько офисов в разных странах, береговые команды управления флотом и тысячи членов экипажей на судах.

Проблема

Фрагментированные источники данных

В морской индустрии данные собираются от множества разрозненных источников. У клиента информация была распределена между:

Система цифровой безопасности с цифровыми заказ-нарядами и геозонированием
IoT-платформа с данными со смарт-часов экипажей
HR-системы управления экипажами (ротация, квалификации, рабочие часы, сертификаты)

Когда менеджеру необходимо было принять решение — оптимизировать работу команды, скорректировать маршрут судна, спланировать техническое обслуживание или проверить выработку экипажа — он отправлял запрос аналитикам. Они собирали данные вручную и отвечали через 4-6 часов.

Решение

Мы создали AI-аналитика — агентную систему, которая отвечает на вопросы о данных в корпоративном мессенджере Slack, работает круглые сутки и выдаёт ответ за минуты. Система объединяет все источники данных и понимает специфику морской индустрии.

1. Унификация фрагментированных данных

Мы построили централизованную платформу данных на основе Apache Kafka и PostgreSQL, которая интегрирует все источники:

IoT-платформа со смарт-часами экипажа

Собирает биометрию, активность, сон и геолокацию каждого члена экипажа в реальном времени. На основе данных рассчитываются показатели усталости и контролируется состояние здоровья персонала.

Данные с часов поступают на компьютер и корабль

Система цифровой безопасности

Интегрирует данные о цифровых нарядах-допусках, геозонировании и перемещениях экипажа. Позволяет отслеживать, кто, где и какие работы выполняет, а также фиксировать историю действий в опасных зонах. Контролирует соблюдение протоколов безопасности и регистрирует инциденты и незапланированные события.

Системы управления экипажами

Хранят данные о квалификации, графиках, ротациях и обучении моряков.Сопоставляют плановые и фактические рабочие часы, периоды отдыха и перформанс-ревью. Позволяют планировать состав экипажа и повышать эффективность управления персоналом.

2. Доменная экспертиза морской индустрии

Чтобы AI-аналитик корректно обрабатывал данные и понимал специфику морской отрасли, мы создали структурированную базу знаний, основанную на внутренней документации заказчика. Что мы сделали:

Изучили существующие документы клиента: инструкции, регламенты по эксплуатации, стандарты безопасности, шаблоны технических отчётов и спецификации систем.
Провели серию звонков с доменными экспертами со стороны заказчика — капитанами судов и специалистами по логистике.
На основе этого собрали единую документацию по данным, включающую:

описание всех источников данных и их взаимосвязей;
расшифровку ключевых метрик и атрибутов (например, DWT, PTW, LNG, Afromax);
бизнес-правила, применяемые в морской индустрии (например, нормы отдыха экипажа, протоколы обслуживания, чек листы);
терминологический глоссарий морских и инженерных понятий.

Эта база знаний стала основой для RAG-механизма (Retrieval-Augmented Generation), который использует AI-агент при поиске нужных данных и формировании ответов. Благодаря этому AI-аналитик «понимает» контекст и структуру данных клиента.

3. Агентный AI

В основе решения — многошаговый агентный AI, который сочетает reasoning LLM и RAG-подход для выполнения сложных аналитических задач в реальном времени.

Как это работает:

Понимание запроса.
Пользователь в Slack задаёт вопрос (например: «Покажи среднюю загрузку экипажа за прошлую неделю на судах класса Handymax»).
Агент анализирует запрос, извлекает сущности (crew_load, vessel_class, time_range) и определяет, какие данные нужны.
Поиск в документации.
С помощью RAG-подхода агент обращается к внутренней базе знаний и определяет, из каких систем и таблиц можно получить нужную информацию.
Генерация SQL-запросов.
Агент пишет SQL-запросы к нужным источникам данных, адаптируя их под специфику хранилища.
Самопроверка и итерации
После выполнения запросов результаты (или ошибки) возвращаются агенту.
Агент анализирует их и решает:
— хватает ли данных для ответа пользователю;
— нужно ли дополнительно запросить информацию из других БД;
— требуется ли уточнение параметров или агрегатов.
Если данных недостаточно — агент продолжает итерации: корректирует SQL, обращается к другим БД или делает агрегации.
Формирование финального ответа.
Когда агент уверен, что собраны все нужные данные он формирует пояснение естественным языком и отправляет ответ в Slack.

Таким образом, AI-аналитик действует как самостоятельный аналитик, который не просто извлекает и предоставляет данные по запросу, а размышляет, где и как их получить, как их интерпретировать и как пояснить результат.

4. Интеграция в Slack

Slack стал основным интерфейсом взаимодействия с AI-аналитиком — инструментом, который обеспечивает быстрый и безопасный доступ к данным без необходимости открывать BI-системы или дашборды.

Доступ и безопасность

AI-аналитик интегрирован только в специализированные закрытые каналы Slack, доступ к которым имеют ограниченные группы сотрудников — менеджеры флота, технические директора, инженеры и аналитики.
Такой подход обеспечивает контроль над тем, кто может обращаться к данным и соблюдение корпоративных и отраслевых политик безопасности.

Работа с данными из трёх систем

Бот объединяет данные из трёх ключевых источников компании. Благодаря этому пользователи могут задавать комплексные вопросы, которые требуют объединения данных из разных систем. Например: “Покажи список судов, где за последние 7 дней были нарушения по геозонам и при этом отмечается высокий индекс усталости экипажа.”

Формат ответов

AI-аналитик формирует ответы в текстовом и табличном виде. Каждый ответ содержит:

краткое текстовое резюме с основными выводами;
структурированные таблицы с ключевыми метриками и параметрами (например, vessel_name, fuel_rate, fatigue_index, permit_status);
при необходимости — ссылки на внутренние отчёты или системы для детального просмотра.

Контекстные диалоги

AI-аналитик запоминает контекст обсуждения внутри треда.Пользователь может уточнять запросы без повторного ввода всех параметров:

“А теперь покажи то же по судам класса Panamax.”
“Добавь к таблице данные по квалификации капитанов.”

5. Система тестирования и валидации

В морской индустрии цена ошибки чрезвычайно высока, поэтому AI-аналитик был запущен с многоуровневой системой проверки корректности и достоверности данных.

Проверка экспертами

На этапе внедрения каждый ответ AI-аналитика проходил ручную валидацию со стороны доменных экспертов со стороны заказчика. Эксперты сравнивали результаты, полученные от AI, с фактическими данными и собственными расчётами, оценивая:

корректность извлечённых данных из источников;
обоснованность логики анализа;
точность интерпретации терминов и бизнес-правил.

Эта проверка позволила уточнить алгоритмы, донастроить SQL-запросы, расширить базу знаний и добиться высокой достоверности ответов.

Роль AI-аналитика в бизнес-процессах

AI-аналитик используется компанией как инструмент оперативной разведки данных — он помогает быстро получить предварительные ответы, выявить аномалии или найти интересующие зависимости между параметрами.Однако для принятия стратегических и финансово значимых решений компания продолжает опираться на подтверждённые данные, подготовленные аналитиками вручную.Такой подход обеспечивает баланс между скоростью и надёжностью:

AI-аналитик ускоряет первичный анализ и поиск гипотез;
аналитическая команда проводит финальную проверку и формирует утверждённые отчёты для управления и регуляторов.

Результаты

Количественные показатели

После 4 месяцев работы:

1,100+ запросов обработал AI-аналитик
93% точность ответов по оценке пользователей
Среднее время ответа 3-5 минут вместо 4-6 часов

Технологии

Облачная инфраструктура: Microsoft Azure AI-агент: LangChain, LangGraph, Azure OpenAI ServiceБазы: PostgreSQL как DWH, AzureSearch для RAGИнтеграционный слой: REST API, Slack APIБезопасность: Azure Security, RBAC

Команда проекта

AI-инженер — 1Backend-разработчики — 2Data-инженер — 1DevOps — 1Аналитик — 1Проектный менеджер — 1Тестировщик — 1Длительность проекта: 5 месяцев

AI-аналитик для морского грузоперевозчика

Клиент

Проблема

Решение